Einführung
Wenn es einen Bereich in der Datenwissenschaft gibt, der in den letzten Jahren zum Wachstum von maschinellem Lernen und künstlicher Intelligenz geführt hat, ist Deep Learning. Von Forschungslabors in Universitäten mit wenig Erfolg in der Branche bis hin zur Stromversorgung aller intelligenten Geräte der Welt, Deep Learning und neuronale Netze haben eine Revolution ausgelöst.
Notiz: Wenn Sie mehr daran interessiert sind, Konzepte in einem audiovisuellen Format zu lernen, wir haben diesen vollständigen Artikel im Video unten erklärt. Wenn dies nicht der Fall ist, du kannst weiterlesen.
In diesem Artikel, wir stellen Ihnen die Komponenten neuronaler Netze vor.
Bausteine eines neuronalen Netzes: Schichten und Neuronen
Es gibt zwei Bausteine für ein rotes neuronalesNeuronale Netze sind Rechenmodelle, die von der Funktionsweise des menschlichen Gehirns inspiriert sind. Sie nutzen Strukturen, die als künstliche Neuronen bekannt sind, um Daten zu verarbeiten und daraus zu lernen. Diese Netze sind grundlegend im Bereich der künstlichen Intelligenz, Dies ermöglicht erhebliche Fortschritte bei Aufgaben wie der Bilderkennung, Verarbeitung natürlicher Sprache und Vorhersage von Zeitreihen, unter anderen. Ihre Fähigkeit, komplexe Muster zu erlernen, macht sie zu mächtigen Werkzeugen.., Sehen wir uns jeden von ihnen im Detail an:
1. Was sind Schichten in einem neuronalen Netz??
Ein neuronales Netz besteht aus vertikal gestapelten Komponenten, die als bezeichnet werden Abdeckungen. Jede gepunktete Linie im Bild repräsentiert eine Ebene. Es gibt drei Arten von Schichten in einem NN-
EingabeebeneDas "Eingabeschicht" bezieht sich auf die Anfangsebene in einem Datenanalyseprozess oder in neuronalen Netzwerkarchitekturen. Seine Hauptfunktion besteht darin, Rohinformationen zu empfangen und zu verarbeiten, bevor sie von nachfolgenden Schichten transformiert werden. Im Kontext des maschinellen Lernens, Die richtige Konfiguration der Eingabeschicht ist entscheidend, um die Effektivität des Modells zu gewährleisten und seine Leistung bei bestimmten Aufgaben zu optimieren....– Zuerst ist die Eingabeschicht. Diese Schicht nimmt die Daten entgegen und gibt sie an den Rest des Netzwerks weiter.
Versteckter Umhang– Der zweite Schichttyp wird als versteckte Schicht bezeichnet. Versteckte Schichten sind eine oder mehrere für ein neuronales Netzwerk. Im obigen Fall, die Nummer lautet 1. Die versteckten Schichten sind es, die wirklich für die hervorragende Leistung und Komplexität neuronaler Netze verantwortlich sind. Führen Sie mehrere Funktionen gleichzeitig aus, als Datentransformation, automatische Funktionserstellung, etc.
AusgabeschichtDas "Ausgabe-Layer" ist ein Konzept, das im Bereich der Informationstechnologie und des Systemdesigns verwendet wird. Es bezieht sich auf die letzte Schicht eines Softwaremodells oder einer Architektur, die für die Präsentation der Ergebnisse für den Endbenutzer verantwortlich ist. Diese Schicht ist entscheidend für die Benutzererfahrung, Da es eine direkte Interaktion mit dem System und die Visualisierung der verarbeiteten Daten ermöglicht....– Die letzte Schichtart ist die Ausgabeschicht. Die Ausgabeschicht enthält das Ergebnis oder die Ausgabe des Problems. Die Rohbilder werden an die Eingabeschicht übergeben und wir erhalten die Ausgabe auf der Ausgabeschicht. Zum Beispiel-
In diesem Fall, Wir stellen ein Bild eines Fahrzeugs bereit und diese Ausgabeebene wird eine Ausgabe bereitstellen, entweder ein Notfall- oder Nicht-Notfallfahrzeug, nachdem Sie die Eingabe- und versteckten Ebenen durchgegangen sind, Natürlich.
Jetzt kennen wir die Schichten und ihre Funktion, Lassen Sie uns im Detail darüber sprechen, woraus jede dieser Schichten besteht.
2. Was sind Neuronen in einem neuronalen Netz??
Eine Schicht besteht aus kleinen einzelnen Einheiten, die Neuronen genannt werden. EIN Neuron in einem neuronalen Netz kann mit Hilfe biologischer Neuronen besser verstanden werden. Ein künstliches Neuron ähnelt einem biologischen Neuron. Empfangen von Informationen von den anderen Neuronen, führt eine Verarbeitung durch und erzeugt eine Ausgabe.
Schauen wir uns nun ein künstliches Neuron an
Hier, X1 Ja X2 sind Inputs für künstliche Neuronen, F (x) repräsentiert die an den Eingaben durchgeführte Verarbeitung und Ja repräsentiert den Neuronenausgang.
Was ist das Feuern eines Neurons??
Im echten Leben, wir alle haben den Satz gehört: „Zünde diese Neuronen an“ in gewisser Weise. Gleiches gilt auch für künstliche Neuronen. Alle Neuronen neigen zum Feuern, aber nur unter bestimmten Bedingungen. Zum Beispiel-
Wenn wir dieses f represent darstellen (x) nach Summe, dann kann dieses Neuron feuern, wenn die Summe größer ist als, Sagen wir 100. Es kann zwar einen Fall geben, in dem das andere Neuron feuern kann, wenn die Summe größer als ist 10-
Diese bestimmten Bedingungen, die sich von einem Neuron zum anderen unterscheiden, werden als . bezeichnet Schwelle. Zum Beispiel, wenn der Eingang X1 im ersten Neuron ist 30 und X2 ist 0:
Dieses Neuron wird nicht feuern, seit der summe 30 + 0 = 30 ist nicht größer als der Schwellenwert, nämlich, 100. Wäre der Input für das andere Neuron gleich geblieben, dieses Neuron hätte gefeuert, da die Summe von 30 ist größer als der Schwellenwert von 10.
Jetzt, die negative Schwelle heißt Voreingenommenheit eines Neurons. Stellen wir uns das ein bisschen mathematisch dar. Dann können wir den feuernden und nicht feuernden Zustand eines Neurons mit diesem Gleichungspaar darstellen:
Wenn die Summe der Eingänge größer als der Schwellenwert ist, das Neuron wird feuern. Andererseits, das neuron feuert nicht. Lassen Sie uns diese Gleichung ein wenig vereinfachen und den Schwellenwert auf die linke Seite der Gleichungen bringen. Jetzt, diese negative Schwelle heißt Voreingenommenheit-
Zu beachten ist, dass in einem künstlichen neuronalen Netz, alle Neuronen in einer Schicht haben den gleichen Bias. Jetzt, da wir ein gutes Verständnis von Bias haben und wie es die Bedingung für das Feuern eines Neurons darstellt, Kommen wir zu einem anderen Aspekt eines künstlichen Neurons namens Pesos.
Bis jetzt, sogar in unserer Berechnung, wir haben allen Eingaben die gleiche Bedeutung beigemessen. Zum Beispiel-
Hier hat X1 ein Gewicht von 1 und X2 hat ein Gewicht von 1 und der Bias hat ein Gewicht von 1, aber was ist, wenn wir unterschiedliche Gewichte für verschiedene Eingaben haben möchten??
Schauen wir uns ein Beispiel an, um dies besser zu verstehen. Angenommen, heute ist eine College-Party und Sie müssen aufgrund einiger Zulassungsbedingungen entscheiden, ob Sie zu der Party gehen oder nicht, wie ist das Wetter schön? Ist der Ort in der Nähe?? Kommt dein Schwarm?
Dann, wenn das Wetter gut ist, wird mit einem Wert von dargestellt 1, andererseits, 0. Ähnlich, wenn der Ort in der Nähe ist, wird vertreten mit 1, Andernfalls, 0. Und ähnlich, ob die Person, die du magst, zur Party kommt oder nicht.
Nehmen wir nun an, ein College-Teenager zu sein, liebt die Person, die er mag, und kann sein Bestes geben, um es zu sehen. Du gehst also auf jeden Fall zur Party, egal wie das Wetter ist oder wie weit der Ort ist, Dann sollten Sie X3 mehr Gewicht zuweisen, das den Schwarm im Vergleich zu den anderen beiden Eingaben darstellt.
Eine solche Situation kann dargestellt werden, wenn wir einer Eingabe wie dieser Gewichte zuweisen:
Wir können ein Gewicht von zuweisen 3 zum Wetter, ein Gewicht von 2 an den Ort und ein Gewicht von 6 sich verlieben. jedoch, wenn die Summe dieser drei Faktoren, Wie ist das Wetter, der Ort und die Verliebtheit sind größer als eine Schwelle von 5, dann kannst du dich entscheiden, anders auf die Party zu gehen.
Notiz: X0 ist der Bias-Wert
Dann, zum Beispiel, Wir haben zunächst den Zustand genommen, in dem das Verlieben wichtiger ist als das Wetter oder der Ort selbst.
Also sagen wir, zum Beispiel, wie wir hier vertreten, das Wetter (X1) wird falsch dargestellt von 0 und der Ort (X2) wird weit vertreten durch 0, aber dein Schwarm (X3) kommt zu der Partei, die vertreten wird von 1, Wenn Sie also die Summe berechnen, nachdem Sie die Werte von Xs mit ihren jeweiligen Gewichten multipliziert haben, wir erhalten eine Summe von 0 Para Wetter (X1), 0 zum Veranstaltungsort (X2) Ja 6 für Crush (X3). Angenommen 6 ist größer als der Schwellenwert von 5, wird sich entscheiden, auf die Party zu gehen. Deswegen, der Ausgang (Ja) es ist 1.
Stellen Sie sich jetzt ein anderes Szenario vor. Stell dir vor, du bist heute krank und es ist egal, dass du nicht auf die Party gehst, dann lässt sich diese Situation darstellen, indem man dem Klima das gleiche Gewicht zuweist, der Ort und die Verliebtheit in die Schwelle von 4.
Jetzt, in diesem Fall, Wir ändern den Schwellenwert und setzen ihn auf einen Wert von 4, also auch bei schönem wetter, der Ort ist in der Nähe und die Person, die du magst, kommt, du wirst nicht auf die party gehen, da die summe, nämlich, 1 + 1 + 1 gleicht 3, kleiner ist als der Schwellenwert von 4.
Diese w0, w1, w2 und w3 werden Neuronengewichte genannt und sind für verschiedene Neuronen unterschiedlich. Diese Gewichte müssen ein neuronales Netzwerk lernen, um gute Entscheidungen zu treffen.
Aktivierungsfunktionen in einem neuronalen Netz
Da wir nun wissen, wie ein neuronales Netz verschiedene Eingaben mit Gewichten kombiniert, Kommen wir zum letzten Aspekt eines Neurons namens Triggerfunktionen. Bis jetzt, Was wir getan haben, ist nur einige gewichtete Eingaben hinzuzufügen und einige Ausgaben zu berechnen, und diese Ausgabe kann von minus unendlich bis unendlich gelesen werden.
Aber das kann unter vielen Umständen in Frage gestellt werden. Angenommen, wir möchten zunächst das Alter einer Person anhand ihrer Körpergröße schätzen, Gewicht und Cholesterinspiegel und klassifizieren die Person dann als älter oder nicht, je nachdem ob das Alter älter ist als 60 Jahre.
jedoch, wenn wir dieses gegebene Neuron verwenden, dann das Alter von -20 es ist sogar möglich. Sie wissen, dass die Altersspanne gemäß der aktuellen Struktur dieses Neurons von -∞ bis ∞ . variieren wird. Dann, sogar so alt wie jemand -20 es ist möglich, angesichts dieser absurden Altersspanne, Wir können unseren Zustand immer noch verwenden, um zu entscheiden, ob eine Person älter ist oder nicht. Zum Beispiel, wenn wir ein bestimmtes Kriterium gesagt haben, wie zum Beispiel, dass eine Person nur älter ist, wenn das Alter älter ist als 60 Jahre. Dann, auch wenn das Alter sich herausstellt -20, wir können dieses Kriterium verwenden, um die Person als nicht älter zu klassifizieren.
Aber es wäre so viel besser gewesen, wenn das Alter so viel mehr Sinn gemacht hätte, als ob die Ausgabe dieses Neurons, das das Alter repräsentiert, im Bereich von, Sagen wir, 0 ein 120. Dann, Wie können wir dieses Problem lösen, wenn die Ausgabe eines Neurons nicht in einem bestimmten Bereich liegt??
Eine Methode, um das Alter auf die negative Seite zu trimmen, wäre die Verwendung einer Funktion wie max. (0, x).
Schauen wir uns nun zuerst den Originalzustand an, bevor Sie eine Funktion verwenden. Für das positive X, wir hatten ein positives Y, und für das negative X hatten wir ein negatives Y. Hier repräsentiert die x-Achse die reellen Werte und y repräsentiert die transformierten Werte.
Aber jetzt, wenn Sie negative Werte loswerden möchten, Was wir tun können, ist eine Funktion wie max (0, x). Bei Verwendung dieser Funktion, alles auf der negativen Seite der x-Achse wird abgeschnitten 0.
Diese Art von Funktion heißt Funktion LebenslaufDie Aktivierungsfunktion von ReLU (Gleichgerichtete Lineareinheit) Es wird aufgrund seiner Einfachheit und Effektivität häufig in neuronalen Netzen verwendet. Definiert als ( F(x) = max(0, x) ), ReLU lässt Neuronen nur dann feuern, wenn die Eingabe positiv ist, Dies hilft, das Problem des Gradientenverblassens zu mildern. Es hat sich gezeigt, dass seine Verwendung die Leistung bei verschiedenen Deep-Learning-Aufgaben verbessert, ReLU zu einer Option machen.. und diese Art von Funktionen, die die kombinierte Eingabe transformieren, werden genannt Triggerfunktionen. Dann, ReLU ist eine WeckfunktionDie Aktivierungsfunktion ist eine Schlüsselkomponente in neuronalen Netzen, da es den Output eines Neurons auf der Grundlage seiner Eingabe bestimmt. Sein Hauptzweck besteht darin, Nichtlinearitäten in das Modell einzuführen, Ermöglicht das Erlernen komplexer Muster in Daten. Es gibt verschiedene Aktivierungsfunktionen, wie das Sigmoid, ReLU und tanh, jedes mit besonderen Eigenschaften, die sich auf die Leistung des Modells in verschiedenen Anwendungen auswirken.....
Je nach Art der erforderlichen Transformation, Es kann verschiedene Arten von Triggerfunktionen geben. Werfen wir einen Blick auf einige der beliebtesten Aktivierungsfunktionen:
- Sigmoid-Aktivierungsfunktion– Diese Funktion wandelt den Bereich der kombinierten Eingaben in einen Bereich zwischen 0 Ja 1. Zum Beispiel, wenn die Ausgabe minus unendlich bis unendlich ist, wird sie durch die x-Achse dargestellt, die Sigmoidfunktion beschränkt diesen unendlichen Bereich auf einen Wert zwischen 0 Ja 1.
- Tanh-Aktivierungsfunktion Diese Funktion wandelt den Bereich der kombinierten Eingaben in einen Bereich zwischen -1 Ja 1. Tanh sieht der Sigmoid-Form sehr ähnlich, beschränkt aber den Bereich zwischen -1 Ja 1.
Unterschiedliche Triggerfunktionen funktionieren bei unterschiedlichen Datenverteilungen unterschiedlich. Dann, Manchmal muss man verschiedene Aktivierungsfunktionen ausprobieren und herausfinden, welche für ein bestimmtes Problem am besten funktioniert.
Abschließende Anmerkungen
Bis jetzt, Wir haben besprochen, dass das neuronale Netz aus verschiedenen Arten von Schichten besteht, die übereinander gestapelt sind, und jede dieser Schichten besteht aus einzelnen Einheiten, die Neuronen genannt werden.. Jedes Neuron hat drei Eigenschaften: der erste ist voreingenommen, der zweite ist das Gewicht und der dritte ist die Triggerfunktion.
Was ist mehr, Bias ist die negative Schwelle, nach der das Neuron feuern soll. Gewicht legt fest, welcher Input für die anderen am wichtigsten ist. Die Triggerfunktion hilft, die kombinierte gewichtete Eingabe umzuwandeln, um sie entsprechend den Anforderungen zu organisieren.
Ich empfehle Ihnen dringend, unsere KI- und ML-zertifizierter Schwarzgurt Plus Programm um Ihre Reise in die faszinierende Welt der Data Science zu beginnen und diese und viele weitere Themen zu lernen.
Ich hoffe, dieser Artikel dient als Ausgangspunkt für Ihr Lernen über neuronale Netze und das tiefes LernenTiefes Lernen, Eine Teildisziplin der Künstlichen Intelligenz, verlässt sich auf künstliche neuronale Netze, um große Datenmengen zu analysieren und zu verarbeiten. Diese Technik ermöglicht es Maschinen, Muster zu lernen und komplexe Aufgaben auszuführen, wie Spracherkennung und Computer Vision. Seine Fähigkeit, sich kontinuierlich zu verbessern, wenn mehr Daten zur Verfügung gestellt werden, macht es zu einem wichtigen Werkzeug in verschiedenen Branchen, von Gesundheit....
Kontaktieren Sie uns in den Kommentaren unten, wenn Sie Fragen haben..
